作者Xu Lisi

编辑Moying

在春节舞台上举行的扬科舞蹈引起了整个互联网上激烈的讨论之后，Yushu的人类机器人这次再次进入了体育行业。

Robot Preview在2月5日报告说，在过去的两天中，Nvidia和CMU（卡内基·梅隆大学）研究团队共同发布了ASAP框架（对齐模拟和真实物理，模拟和真实物理）。这是一个Real2sim2Real模型。该团队还将该框架应用于Yushu G1类人生物机器人，该机器人显着提高了机器人的灵活性和协调性，并允许机器人完成各种复杂的人形动作。

带有ASAP框架的Yushu G1机器人可以从神户那里学习，以完成一系列的动作，一口气倾斜，跳跃和射击，然后平稳地击中地面。

它可以转变为足球超级巨星克里斯蒂亚诺·罗纳尔多（Cristiano Ronaldo），并完成标志性的庆祝活动“ SIU”等等。

他还将学会在像詹姆斯这样的裤co上伸展和运球。

跟随趋势的机器人也跳舞了APT舞蹈。

此外，它还可以完成许多困难的动作，例如1.5米长的跳远，侧跳和踢。

NVIDIA的高级研究科学家吉姆·范（Jim Fan）兴奋地说，与在线观看的大多数机器人演示视频相比，该团队故意放慢了运动，以便公众可以清楚地查看每个平滑运动的细节。

吉姆·范（Jim Fan）还介绍了ASAP模型采用“真实仿真”方法。具体而言，团队将预训练策略部署到物理机器人收集数据，然后在模拟环境中播放操作记录。尽管播放过程是不可避免的，但这些错误恰恰是校正物理差异的关键数据源。通过其他神经网络学习差异参数本质上是传统物理引擎的“动态校准”，使机器人能够依靠GPU的平行计算能力来获得模拟环境中几乎真正的大规模培训经验。

吉姆·范（Jim Fan）还认为，2030年的人形机器人奥运会肯定是一个盛大的活动。

许多网民还在评论领域讨论了它，希望将来能看到机器人拳击比赛和机器人篮球联赛。

CMU的助理教授Guanya Shi，本文的合着者介绍了ASAP框架分为两个阶段，第一阶段是预先训练的基于阶段的动作跟踪策略，以模仿人类在模拟中的行动。第二阶段是在现实世界中执行该策略以收集数据，学习一个残留的动作模型来补偿动态不匹配，最后通过学习的残差模型对训练策略进行微调。

他解释说，ASAP不仅适合模拟对真实性迁移，而且还提供了一个一般框架，以使训练和部署环境中的物理特征保持一致。

为了促进不同的模拟器之间的平稳迁移，该团队还发布了Humanoidverse，这是一个多模拟机器人学习框架，将模拟器，任务和算法分开和模块化，使其在不同的模拟器之间，而任务切换只需要最小的工作量。

CMU机器人研究所（CMU RI）的硕士学生Zhang Yuanhang一起撰写了一篇论文，并提到Real2Sim2Real不需要Sim2Real等无尽的运动调整，这可以弥补Sim2real中的差距，因此机器人可以模仿许多机器人人类敏捷运动。

ASAP框架具有以下四个特定步骤：

1。运动跟踪预训练和真实轨道收集：首先从实时视频中提取动作，然后将其重定向到机器人，预训练多个运动跟踪策略，并生成真实世界的运动轨迹。

2。三角洲动作模型训练：基于现实世界轨迹数据，训练三角洲动作模型以缩小仿真状态和现实世界状态之间的差异。

3。策略微调：在训练了三角洲动作模型之后，它将其集成到模拟器中，以便模拟器可以匹配现实世界的物理特征，然后微调以前预训练的运动跟踪策略。

4。现实世界的部署：在真实环境中部署微调策略，不再需要Delta Action模型。

ASAP框架的建议提供了一个新的想法，可以缩小SIM2Real之间的差距，并有效地解决了动态不匹配的问题，从而使机器人可以做出高度人类的敏捷动作并大大减少运动跟踪误差。此外，预计ASAP是完全开源的，可以加速相关技术的研究和应用。

纸张地址如下：